CN104636313B - 一种冗余扩展单源观测信号的盲信号分离方法 - Google Patents
一种冗余扩展单源观测信号的盲信号分离方法 Download PDFInfo
- Publication number
- CN104636313B CN104636313B CN201410785148.0A CN201410785148A CN104636313B CN 104636313 B CN104636313 B CN 104636313B CN 201410785148 A CN201410785148 A CN 201410785148A CN 104636313 B CN104636313 B CN 104636313B
- Authority
- CN
- China
- Prior art keywords
- signal
- observation
- source
- redundancy
- single source
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Transmission Systems Not Characterized By The Medium Used For Transmission (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
一种冗余扩展单源观测信号的盲信号分离方法,首先对单源观测信号进行冗余编码,其次盲信号分离,最后源信号恢复。解决现有研究单源观测信号进行盲信号分离难题的方法,将该方法进行编程程序并固化到处理芯片上,能够解决当前很多信号处理的实际难题。通过对单源观测信号进行冗余扩展,使得一个观测信号变成多个观测信号片,同时由于改变后的信号周期性和独立性没有改变,因此这些信号片可以当成多个观测点获取的观测数据,从而达到改变观测数据正定性的目的,使得能够使用传统的盲分离方法对该单源观测信号进行盲分离。
Description
技术领域
本发明属于信号处理技术领域,涉及一种冗余扩展单源观测信号的盲信号分离方法。
背景技术
盲信号处理就是在源信号和传输通道的参数的未知的情况下,根据源信号的统计特性,仅由观测信号恢复出源信号的过程。在现实应用中,盲分离在图像处理、语音信号处理、生物医学信号处理、声纳以及雷达信号探测、通信信号处理等方面具有极大的应用前景。盲分离按照其混叠方式的不同,可分为两大类:瞬时线性混叠和非线性混叠,目前大多数研究都集中在瞬时线性混叠信号分离。
线性混叠信号盲信号又分为正定和欠定两种情形。正定盲信号分离研究成熟,基于独立分量分析的成果较多。欠定盲信号分离是指观测器数目等于或多于源信号个数的情况。如果观测器个数少于源信号个数,盲分离则变得非常困难,这时候往往采用的方法包括稀疏成分分析与混叠信号估计混合的办法来解决。在极端情况下,当观测器数目为1个的时候,即单源盲信号分离,处理就变得尤其困难,但其适用性却最广。因此研究单源观测信号的盲信号分离技术具有重要的科学价值和现实意义。
发明内容
本发明的目的是提供一种冗余扩展单源观测信号的盲信号分离方法,基于(K,n)门限对单源观测信号进行冗余扩展,扩展后的信号具有相互独立性,可运用传统的盲分离算法进行处理,是一种能准确实现单源盲信号的分离与恢复的可靠方法。
本发明所采用的技术方案是,一种冗余扩展单源观测信号的盲信号分离方法,具体按照以下步骤实施:
第一步:对单源观测信号进行冗余编码:
盲信号分离的基本模型:
x(t)=As(t)+N(t),t=1,2,…
观测信号在时刻t的采样值x(t)=[x1(t),x2(t),…,xM(t)]T
待分离源信号在时刻t的采样值s(t)=[s1(t),s2(t),…,sN(t)]T
其中,t=1,2,…表示采样时刻,M为观测信号个数,N为源信号的个数,N(t)为噪音信号,A∈RM*N实混叠矩阵,A的秩为a;
由于观测信号为单源信号,故x(t)为一维观测列向量,s(t)为一维源信号列向量,对x(t)中的每个元素,构造基于(K,n)门限的观测信号的冗余编码:
yk(t)=fk(x(t))
其中f(x)为(K,n)门限函数,fk(x(t))为对t时刻的单源观测信号x(t)通过(K,n)门限函数进行第k项的冗余编码计算过程,yk(t)为通过第k项计算得到第k个信号片;
这样,通过冗余切片计算得到yk(t)与观测信号独立,形成t时刻的单源观测信号x(t)的冗余扩展:
x(t)→(y1(t),…,yk(t),…)
为了满足正定以及第三步重构的要求,规定K≥a+2;这样冗余扩展后的单源信号变成相互独立的正定信号;
第二步:盲信号分离:
在第一步中,由于K≥a+2,因此至少可以构造3个不同的信号片向量;分别通过独立成分分析方法对这3个信号向量进行分离:首先需要通过估计混叠矩阵并判定源信号的个数,如果估计信号的个数为M,矩阵A的秩a≥M,则用独立成分分析方法进行分离,否则,重新估计混叠矩阵,重复第一步;
第三步:源信号恢复
经过第二步产生的信号并不是真正意义上的各个源信号,根据(K,n)门限的思想,对3个矩阵分离出来的信号需采用拉格朗日插值方法L(.)还原源信号;设(K,n)门限中n=2,还原出来的3个信号向量分别为:
z1(t)=[Lv1 1(t),Lv2 1(t),…,Lvi 1(t),…,Lva 1(t)]
z2(t)=[Lv1 2(t),Lv2 2(t),…,Lvi 2(t),…,Lva 2(t)]
z3(t)=[Lv1 3(t),Lv2 3(t),…,Lvi 3(t),…,Lva 3(t)]
其中,z1(t),z2(t),z3(t)分别表示冗余观测信号通过yk(t)构造的3个信号片向量通过混叠矩阵A经过第二步分离出来的3源信号片向量,Lvi 1(t),Lvi 2(t),Lvi 3(t)分别代表各源信号片中的第i个源信号片分量;由于源信号片中分量的无序性,因此还需要进行如下方法进行还原合成:
从z1(t)取出一个信号分量片Lvi 1(t),分别于z2(t)和z3(t)中分两片进行L(.)计算并得到结果向量:
L1,2(i)=[L(Lvi 1(t),Lv1 2(t)),L(Lvi 1(t),Lv2 2(t)),…,L(Lvi 1(t),Lva 2(t))]
L1,3(i)=[L(Lvi 1(t),Lv1 3(t)),L(Lvi 1(t),Lv2 3(t)),…,L(Lvi 1(t),Lva 3(t))]
其中:L(Lvi 1(t),Lv2 2(t))为Lvi 1(t)与Lv2 2(t)进行拉格朗日插值定理还原计算;根据该定理可知,L1,2(i)中的每一个值必然能在L1,3(i)找到一个值,与之相等,从这两个向量分别取出这两个值,这两个值就表示是同一个源信号;重复该过程至L1,2(i)和L1,3(i)均为空,源信号重构过程结束。
本发明的有益效果是:解决现有研究单源观测信号进行盲信号分离难题的方法,将该方法进行编程程序并固化到处理芯片上,能够解决当前很多信号处理的实际难题。通过对单源观测信号进行冗余扩展,使得一个观测信号变成多个观测信号片,同时由于改变后的信号周期性和独立性没有改变,因此这些信号片可以当成多个观测点获取的观测数据,从而达到改变观测数据正定性的目的,使得能够使用传统的盲分离方法对该单源观测信号进行盲分离。
具体实施方式
本发明一种冗余扩展单源观测信号的盲信号分离方法,使得单源观测信号变成多个相互独立的观测信号,再使用现有的成熟盲信号分离方法进行分离,最后通过信号合成,还原各种信号源信号。
具体步骤如下:
第一步:对单源观测信号进行冗余编码:
传统的盲信号分离的基本模型:
x(t)=As(t)+N(t),t=1,2,…
观测信号在时刻t的采样值x(t)=[x1(t),x2(t),…,xM(t)]T
待分离源信号在时刻t的采样值s(t)=[s1(t),s2(t),…,sN(t)]T
其中,t=1,2,…表示采样时刻,M为观测信号个数,N为源信号的个数,N(t)为噪音信号,A∈RM*N实混叠矩阵,A的秩为a;
由于观测信号为单源信号,故x(t)为一维观测列向量,s(t)为一维源信号列向量,对x(t)中的每个元素,构造基于(K,n)门限的观测信号的冗余编码:
yk(t)=fk(x(t))
其中f(x)为(K,n)门限函数,fk(x(t))为对t时刻的单源观测信号x(t)通过(K,n)门限函数进行第k项的冗余编码计算过程,yk(t)为通过第k项计算得到第k个信号片。
这样,通过冗余切片计算得到yk(t)与观测信号独立,形成t时刻的单源观测信号x(t)的冗余扩展(从单个值变成了一维向量):
x(t)→(y1(t),…,yk(t),…)
为了满足正定以及第三步重构的要求,规定K≥a+2。这样冗余扩展后的单源信号变成相互独立的正定信号。
第二步:盲信号分离:
在第一步中,由于K≥a+2,因此至少可以构造3个不同的信号片向量。分别通过独立成分分析方法对这3个信号向量进行分离:首先需要通过估计混叠矩阵并判定源信号的个数,如果估计信号的个数为M,矩阵A的秩a≥M,则用独立成分分析方法进行分离,否则,重新估计混叠矩阵,重复第一步。
第三步:源信号恢复
经过第二步产生的信号并不是真正意义上的各个源信号,根据(K,n)门限的思想,对3个矩阵分离出来的信号需采用拉格朗日插值方法L(.)还原源信号。设(K,n)门限中r=2,还原出来的3个信号向量分别为:
z1(t)=[Lv1 1(t),Lv2 1(t),…,Lvi 1(t),…,Lva 1(t)]
z2(t)=[Lv1 2(t),Lv2 2(t),…,Lvi 2(t),…,Lva 2(t)]
z3(t)=[Lv1 3(t),Lv2 3(t),…,Lvi 3(t),…,Lva 3(t)]
其中,z1(t),z2(t),z3(t)分别表示冗余观测信号通过yk(t)构造的3个信号片向量通过混叠矩阵A经过第二步分离出来的3源信号片向量,Lvi 1(t),Lvi 2(t),Lvi 3(t)分别代表各源信号片中的第i个源信号片分量。由于源信号片中分量的无序性,因此还需要进行如下方法进行还原合成:
(1)从z1(t)取出一个信号分量片Lvi 1(t),分别于z2(t)和z3(t)中分两片进行L(.)计算并得到结果向量:
L1,2(i)=[L(Lvi 1(t),Lv1 2(t)),L(Lvi 1(t),Lv2 2(t)),…,L(Lvi 1(t),Lva 2(t))]
L1,3(i)=[L(Lvi 1(t),Lv1 3(t)),L(Lvi 1(t),Lv2 3(t)),…,L(Lvi 1(t),Lva 3(t))]
其中:L(Lvi 1(t),Lv2 2(t))为Lvi 1(t)与Lv2 2(t)进行拉格朗日插值定理还原计算。根据该定理可知,L1,2(i)中的每一个值必然能在L1,3(i)找到一个值,与之相等,从这两个向量分别取出这两个值,这两个值就表示是同一个源信号。重复该过程至L1,2(i)和L1,3(i)均为空,源信号重构过程结束。
本发明方法具有创新之处在于第一个步骤和与之匹配的第三个步骤,因为单源信号分离非常困难,目前有效的研究成果很少。第一个步骤提出的冗余扩展可以实现将单源观测信号扩展成传统的正定信号,从而可以使用传统的独立成分方法进行分离。第三个步骤中由于分离出来的信号为信号切片,还需要进行重组才能还原成真正源信号。
本发明的优点在于:
1:通过单源观测信号进行盲信号分离目前还没有一个可证明有效方法来实现,本发明提供了一种解决该难题的方法。
2:在集成制造过程中,设备的微小故障会产生振动变化微小信号,运用该技术可分离出设备运行过程中故障设备振动信号,从而对设备运行故障产生预警。
3:嘈杂环境下的个人语音信号与环境信号具有独立性,因此可运用该技术实现通话语音发送端的语音降噪能力,在通话语音接收端,可运用该技术实现接收端的语音增强,从而显著提高语音通话质量。
4:在灾害救援的生命探测过程中,生命探测仪接受的生命信号可能会被淹没在环境的噪声信号中,运用该技术可以提取出被噪音掩盖的生命信号。
Claims (1)
1.一种冗余扩展单源观测信号的盲信号分离方法,其特征在于,具体按照以下步骤实施:
第一步:对单源观测信号进行冗余编码:
盲信号分离的基本模型:
x(t)=As(t)+N(t),t=1,2,…
观测信号在时刻t的采样值x(t)=[x1(t),x2(t),…,xM(t)]T
待分离源信号在时刻t的采样值s(t)=[s1(t),s2(t),…,sN(t)]T
其中,t=1,2,…表示采样时刻,M为观测信号个数,N为源信号的个数,N(t)为噪音信号,A∈RM*N是混叠矩阵,A的秩为a;
由于观测信号为单源信号,故x(t)为一维观测列向量,s(t)为一维源信号列向量,对x(t)中的每个元素,构造基于(K,n)门限的观测信号的冗余编码:
yk(t)=fk(x(t))
其中f(x)为(K,n)门限函数,fk(x(t))为对t时刻的单源观测信号x(t)通过(K,n)门限函数进行第k项的冗余编码计算过程,yk(t)为通过第k项计算得到第k个信号片;
这样,通过冗余切片计算得到yk(t)与观测信号独立,形成t时刻的单源观测信号x(t)的冗余扩展:
x(t)→(y1(t),…,yk(t),…)
为了满足正定以及第三步重构的要求,规定K≥a+2;这样冗余扩展后的单源信号变成相互独立的正定信号;
第二步:盲信号分离:
在第一步中,由于K≥a+2,因此至少可以构造3个不同的信号片向量;分别通过独立成分分析方法对这3个信号向量进行分离:首先需要通过估计混叠矩阵并判定源信号的个数,如果估计信号的个数为M,矩阵A的秩a≥M,则用独立成分分析方法进行分离,否则,重新估计混叠矩阵,重复第一步;
第三步:源信号恢复
经过第二步产生的信号并不是真正意义上的各个源信号,根据(K,n)门限的思想,对3个矩阵分离出来的信号需采用拉格朗日插值方法L(.)还原源信号;设(K,n)门限中n=2,还原出来的3个信号向量分别为:
z1(t)=[Lv1 1(t),Lv2 1(t),…,Lvi 1(t),…,Lva 1(t)]
z2(t)=[Lv1 2(t),Lv2 2(t),…,Lvi 2(t),…,Lva 2(t)]
z3(t)=[Lv1 3(t),Lv2 3(t),…,Lvi 3(t),…,Lva 3(t)]
其中,z1(t),z2(t),z3(t)分别表示冗余观测信号通过yk(t)构造的3个信号片向量通过混叠矩阵A经过第二步分离出来的3源信号片向量,Lvi 1(t),Lvi 2(t),Lvi 3(t)分别代表各源信号片中的第i个源信号片分量;由于源信号片中分量的无序性,因此还需要进行如下方法进行还原合成:
从z1(t)取出一个信号分量片Lvi 1(t),分别于z2(t)和z3(t)中分两片进行L(.)计算并得到结果向量:
L1,2(i)=[L(Lvi 1(t),Lv1 2(t)),L(Lvi 1(t),Lv2 2(t)),…,L(Lvi 1(t),Lva 2(t))]
L1,3(i)=[L(Lvi 1(t),Lv1 3(t)),L(Lvi 1(t),Lv2 3(t)),…,L(Lvi 1(t),Lva 3(t))]
其中:L(Lvi 1(t),Lv2 2(t))为Lvi 1(t)与Lv2 2(t)进行拉格朗日插值定理还原计算;根据该定理可知,L1,2(i)中的每一个值必然能在L1,3(i)找到一个值,与之相等,从这两个向量分别取出这两个值,这两个值就表示是同一个源信号;重复该过程至L1,2(i)和L1,3(i)均为空,源信号重构过程结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410785148.0A CN104636313B (zh) | 2014-12-16 | 2014-12-16 | 一种冗余扩展单源观测信号的盲信号分离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410785148.0A CN104636313B (zh) | 2014-12-16 | 2014-12-16 | 一种冗余扩展单源观测信号的盲信号分离方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104636313A CN104636313A (zh) | 2015-05-20 |
CN104636313B true CN104636313B (zh) | 2017-12-29 |
Family
ID=53215086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410785148.0A Active CN104636313B (zh) | 2014-12-16 | 2014-12-16 | 一种冗余扩展单源观测信号的盲信号分离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104636313B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111273350B (zh) * | 2020-03-10 | 2021-09-24 | 清华大学 | 一种基于独立成分分析的薄互层地震切片分离方法 |
CN117290708B (zh) * | 2023-11-24 | 2024-02-09 | 成都理工大学 | 便于计算暂态冲击量的高低频混叠信号分离方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6625587B1 (en) * | 1997-06-18 | 2003-09-23 | Clarity, Llc | Blind signal separation |
CN1909064A (zh) * | 2006-08-22 | 2007-02-07 | 复旦大学 | 一种在线自然语音卷积混合信号的时域盲分离方法 |
CN102222508A (zh) * | 2011-07-12 | 2011-10-19 | 大连理工大学 | 一种基于矩阵变换的欠定盲分离方法 |
CN103295193A (zh) * | 2013-05-10 | 2013-09-11 | 天津理工大学 | 基于互功率谱的盲源分离方法 |
JP5509481B2 (ja) * | 2009-09-14 | 2014-06-04 | 晋哉 齋藤 | ブラインド信号分離方法およびその装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003264818A1 (en) * | 2002-11-05 | 2004-06-07 | Koninklijke Philips Electronics N.V. | Spectrogram reconstruction by means of a codebook |
-
2014
- 2014-12-16 CN CN201410785148.0A patent/CN104636313B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6625587B1 (en) * | 1997-06-18 | 2003-09-23 | Clarity, Llc | Blind signal separation |
CN1909064A (zh) * | 2006-08-22 | 2007-02-07 | 复旦大学 | 一种在线自然语音卷积混合信号的时域盲分离方法 |
JP5509481B2 (ja) * | 2009-09-14 | 2014-06-04 | 晋哉 齋藤 | ブラインド信号分離方法およびその装置 |
CN102222508A (zh) * | 2011-07-12 | 2011-10-19 | 大连理工大学 | 一种基于矩阵变换的欠定盲分离方法 |
CN103295193A (zh) * | 2013-05-10 | 2013-09-11 | 天津理工大学 | 基于互功率谱的盲源分离方法 |
Non-Patent Citations (2)
Title |
---|
盲信号分离模型的混叠矩阵估计算法;傅予力;《华中科技大学学报(自然科学版)》;20070930;第35卷(第9期);第94-96页 * |
语音信号的盲源分离算法研究;王玉静;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20120715(第07期);第I136-304页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104636313A (zh) | 2015-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109243483B (zh) | 一种含噪频域卷积盲源分离方法 | |
CN103325381B (zh) | 一种基于模糊隶属函数的语音分离方法 | |
CN103559888A (zh) | 基于非负低秩和稀疏矩阵分解原理的语音增强方法 | |
CN104392427B (zh) | 经验模态分解和稀疏表示相结合的sar图像去噪方法 | |
CN106441288A (zh) | 一种加速度计的自适应小波降噪方法 | |
CN108364659A (zh) | 基于多目标优化的频域卷积盲信号分离方法 | |
CN109117747A (zh) | 基于循环平稳与深度卷积神经网络的雷达信号分类方法 | |
CN106898361A (zh) | 基于反馈变分模式分解的单通道盲源分离方法 | |
CN111883166A (zh) | 一种语音信号处理方法、装置、设备以及存储介质 | |
CN104636313B (zh) | 一种冗余扩展单源观测信号的盲信号分离方法 | |
CN104880703B (zh) | 一种用于侧扫声纳目标检测的混响抑制技术 | |
CN110473563A (zh) | 基于时频特征的呼吸声检测方法、系统、设备及介质 | |
CN115097398A (zh) | 基于跨域信号低损恢复网络的雷达抗干扰信号恢复方法 | |
CN104240717A (zh) | 基于稀疏编码和理想二进制掩膜相结合的语音增强方法 | |
CN104392719B (zh) | 一种用于语音识别系统的中心子带模型自适应方法 | |
CN102637438B (zh) | 一种语音滤波方法 | |
CN114613384B (zh) | 一种基于深度学习多输入语音信号波束形成信息互补方法 | |
CN114333912B (zh) | 语音激活检测方法、装置、电子设备和存储介质 | |
CN103903631A (zh) | 基于变步长自然梯度算法的语音信号盲分离方法 | |
CN107590788A (zh) | 一种遥感图像处理方法 | |
CN103577877A (zh) | 一种基于时频分析和bp神经网络的船舶运动预报方法 | |
CN103559886A (zh) | 基于组稀疏低秩表达的语音信号增强方法 | |
CN112491449A (zh) | 声回波消除方法、装置、电子设备和存储介质 | |
CN104064195A (zh) | 一种噪声环境下的多维盲分离方法 | |
Han et al. | Perceptual improvement of deep neural networks for monaural speech enhancement |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |